商品房预测（精选8篇）
商品房预测 篇1
在我国，商品房的销售模式分为现售和预售。现房销售的是成品，期房销售的是半成品。开发企业大多采取期房销售的方式，通常是为尽快回笼资金滚动投资而采取的预先售卖房屋的行为。而在商品房的预售中，对房屋面积的预测绘是非常重要的前期工作，由此产生的商品房的预售面积与产权面积(实测面积)的误差，也是商品房销售中经常遇到的问题，作为一名房产测绘从业人员，笔者就商品房预测中的一些问题，与大家共同探讨。
一、商品房销售的计价方式与建筑面积
商品房销售的计价方式主要有:以套(单元)进行销售、以建筑面积进行销售、以套内面积进行销售、以使用面积进行销售，这几种销售方式中大多数的房地产开发企业都采用了以建筑面积进行计价销售，其余的销售方式采用的较少。但是，商品房销售的计价方式仅是用于确定商品房销售的总价款，房屋的建筑面积和分摊面积仍是商品房销售中必须具有并注明的房产要素，《商品房销售管理办法》第十八条中就明确进行了规定:“按套(单元)计价或者按套内建筑面积计价的，商品房买卖合同中应当注明建筑面积和分摊的共有建筑面积。”并且，商品房在竣工以后进行房屋产权初始登记时，也需明确房屋的建筑面积，并在房屋产权登记簿和房屋产权证书的房产要素中对房屋的建筑面积进行记载。所以，在商品房销售活动中，无论何种计价方式均应正确对建筑面积以及分摊面积进行注明。
二、进行商品房预测的必要性
目前的房地产市场中，房地产开发企业大多会在房屋竣工前进行商品房的预售，房屋预售在开盘期间，房地产开发企业将对自己开发中的楼盘的房屋面积进行测算，并利用其结果进行项目的宣传。在以往的商品房预售中，建筑面积往往由开发企业自己组织人员进行估算，这些人员中，有的是施工方的工程预算员，有的是楼盘的设计人员，有的是销售人员，计算面积所采用的规范和方法也不一样，这些人员既不是房产测绘的专业技术人员，计算方法也没有采用计算房屋面积的专业规范《房产测量规范》(GB/T17986-2000)，对房屋的建筑面积概念、分摊面积概念、分摊部位的确定、分摊面积的计算方法等方面的理解上存在着这样那样的偏差，这样测算出的结果不可避免地会造成预售面积与房屋竣工后产权登记的实际建筑面积误差较大的情况。对竣工后实测面积与预售面积出现误差的，按照《商品房销售管理办法》第二十条的规定，买卖双方应当在合同中载明合同约定面积(预售面积)与产权登记面积(实测面积)发生误差的处理方式，对合同未作约定的，本条也详细列出了处理原则。尽管买卖双方在商品房买卖合同中对误差也进行了约定，但一些买房人在房屋竣工入住后却发现，最终实测的建筑面积虽然在合同约定的误差范围以内，但是要么套内面积变小了，要么分摊面积变大了，引起购房人对房屋面积缩水、公摊面积不明确、公摊部位及尺寸引起争议等问题，最重要的是由于计算方法不一，对出现的这种面积误差的争议也无据可查、无凭可依，没有妥善的争议解决方式和途径，最终引发纠纷事件，对买卖双方造成了不必要的麻烦和损失。
根据这些情况，在商品房预售前有必要进行面积预测，测量的技术规范也应统一起来，以专业的房屋面积测算规范《房产测量规范》为准，出现面积误差时也可以将《房产测量规范》作为解释准则。这样得出的预算结果也能够和最终房屋办理初始登记时的产权面积起到衔接的作用。
三、设计资料在商品房预测中的作用
商品房进行预售，必须达到预售条件，按照《城市商品房预售管理办法》的规定，除需具有土地使用权证书、建设工程规划许可证、施工许可证等各项证件外，还需按提供预售的商品房计算，投入开发建设的资金应达到工程建设总投资的25%以上，而这时的楼盘施工进度使现场勘测变得比较困难，无法正常进行外业勘测丈量。这时，测绘人员应根据开发企业提供的经规划主管部门盖章认可的建筑施工图纸及其他的设计资料，并结合现场勘测才能进行预测算。期间测绘人员还应就楼盘设计是否经过变更而进行询问，做好询问记录。对于楼盘设计有变更的，特别是与面积测算相关的，应要求开发企业主动提供《设计变更通知单》等类似的相关材料，并要求开发企业对施工图和设计资料无法明示的可分摊部位进行书面说明和认定。可以说，在一般的房屋面积预测算中，测绘人员须将现场勘测与施工图纸和规划审批等设计资料结合起来统一进行考虑，而缺乏任一项内容都会对预测算面积的正确性造成一定的影响。
四、预测工作中常见的一些问题
预测工作中，由于无法像已竣工的现房一样完全做到现场勘测，需要结合图纸等设计资料才能进行测算，所以一些能够在现房勘测中发现的问题在预测中有可能无法发现。笔者结合自身的实际工作，对一些需要特别注意且在《房产测量规范》中没有作出详细规定的地方，谈一下自己的经验和做法，望大家指正。
(一)总层数。
单栋楼的总层数为地上层次和地下层次之和。而自然层数为地上层数。需要特别注意的是，对于突出屋顶(屋面)且高于2.20米的楼梯间、电梯间、机房、水箱间等公共设施，确属于本栋楼使用的，应纳入本栋楼的公摊面积，但不应计入总层数。
(二)地下室的层高。
从《房产测量规范》8.1.2款可以看出，房屋必须达到层高2.20米才可计算建筑面积。规划审批中批准建有地下室但对地下室层高没有明注的，以施工图纸和实际测量层高为准，层高达到2.20米的计算建筑面积，低于2.20米的不计算面积;规划审批中注明层高在2.20米以下的，即使经实际测量在2.20米以上的，也不应计算建筑面积。
(三)阳台的封闭与否。
在预测算中，阳台的封闭与否，要结合施工图纸、规划审批、其他设计资料、开发企业对阳台封闭与否的约定及说明等进行确定。
(四)玻璃幕墙。
玻璃幕墙是一种不承重的维护结构。按照《房产测量规范》8.2.1款和建住房[2002]74号文件的规定:玻璃幕墙作为房屋外墙的，按其外围水平投影面积计算;同一楼层外墙，既有主墙，又有玻璃幕墙的，以主墙为准计算建筑面积。这里的“主墙”是指除玻璃幕墙外，有一定承重作用(或不承重)的其他材料的维护结构。另外，实际应用中，附在外墙上的装饰性玻璃幕墙不计算面积。
(五)进出地下室的坡道。
这里的坡道不是楼房主墙内一层通往地下室的上下通道，而是楼房主墙外由地面通向地下室的通道，通常作为自行车或机动车辆进出地下室存取车辆的坡道，这样的坡道不可按室外楼梯的概念来理解。室外楼梯有无顶和有顶的区别，计算面积也有全面积和半面积的区别，而坡道有顶则计面积，无顶则不计面积。这里的“顶”需满足永久性结构材料才可计算面积。
(六)跃层。
跃层房屋中位于上一层的中空部分不计入面积，跃层房屋的室内楼梯以水平投影面积计入上一层的面积。
(七)夹层、插层、技术层。
层高应满足2.20米的要求。有时会遇到这样的问题:一幢别墅，外表看为二层，进室内后发现有错台，局部成为三层，如果这局部的三层均满足层高2.20米的要求，可按三层分别计算面积，但房屋的总层次为二层。
(八)公用部位的分摊。
按照功能的不同，定好功能区，将公用部位分摊到各自的功能区。
(九)斜顶屋面。
结合立面图和剖面图，并和施工方联系，对斜顶部分的层高进行确定，层高达到2.20米的部位计入建筑面积，不够2.20米的不计面积。
由于经验有限，对测绘工作的了解还很浅薄，以上仅是笔者在商品房预测工作中遇到的一些普遍性问题，且由于各地采取的地方测量细则不一，对《房产测量规范》的理解不一，可能与大家的操作方法有不同之处，还望大家能够不吝赐教。
摘要：本文结合目前商品房预测中的现状,通过对商品房销售的计价方式与建筑面积、商品房预测的现实意义、设计资料在商品房预测中的应用以及在综合以上情况之后,对预测工作中常见的一些问题进行了初步的解答。
关键词：商品房销售,商品房预测,设计资料
参考文献
[1].房产测量规范.中华人民共和国国家标准GB / T17986.1-2000
商品房预测 篇2
【关键词】 商品住房价格；影响因素；多元线性回归模型
住宅是房地产的一种类型，属于居住类房地产，包括普通住宅、高级公寓和别墅等。目前我国住房供应体系主要有三个：一个是针对于为数众多的低收入家庭，实行“廉租住房和经济适用房”为主的住房供应政策；另一个是针对于数量庞大的中等收入家庭，实行“经济租用房和限价商品房”为主的住房供应政策；而对于数量相对较少的高收入家庭，仍然实行现金的住房供应政策，即为本文所要研究的商品住宅供应体系。
2008年新春伊始，建设部推出了三项重要措施：一是要抓紧完善住房保障体系；二是在着力解决低收入家庭住房困难的同时，要把帮助中等收入家庭解决住房问题作为一项重要任务；三是坚决贯彻落实国务院关于宏观调控的各项部署，抑制房价过快上涨。自从1998年我国实行住房商品化后，国内各大城市住宅价格连年攀升，成为社会关注的焦点。房地产行业作为我国国民经济的支柱行业，不仅影响着经济的增长，也牵动着千家万户的心。再者，房价的攀升还影响其它第三产业行业的经营状况，提高了他们的固定成本，使其生产经营活动受到很大的影响。那么到底是哪些因素造成了房价的增长？到底房价应该处于什么位置才是合理的？我国的房地产应该如何走向规范的道路呢？本文将通过建立模型，一一探究这些问题，并提出可行性建议。
一、理论分析
同其他商品一样，商品住房价格是由其价值决定的，其价值既包括所占用土地的价值，也包括土地上建筑物的价值。除此之外，还受到供求状况、竞争程度、消费者偏好、市场预期、房地产企业经营策略和政府相关政策的影响，其价格围绕价值上下波动。
另外，商品住宅还具有建设周期长、价值量大、空间固定性等特点，这就使其价格有了一般商品价格所没有的特点。首先，由于住宅的建设周期长，在短期内的供给是缺乏弹性的，导致其价格由需求决定，即使从长期来看，由于土地的供给缺乏弹性也会导致住宅的供给缺乏弹性；其次，从需求方来看，经典经济学理论认为，需求意愿和需求能力影响需求者对房价的认可程度。事实上，需求者除了考虑自己的购房需求和购房能力外，还要对未来房价的走向作出判断，形成对未来的心理预期。也就是说，在需求意愿不变的前提下，如果当前购买比未来购买更有利，需求者就会倾向于选择当前购买。如果大多数人对未来房价走势的预期大致相同，则会使得选择也趋同。当大部分人做出买和暂时不买的行动时，就会对市场价格起到很大的影响，会显著地放大或缩小当前需求，从而影响房价。最后，住宅的区位是影响其价格的重要因素，区位自然环境的好坏、交通通达度等将影响消费者的需求，从而影响其价格。
二、模型设定
本文选取2006年我国各地区商品住房的有关数据进行横截面回归分析，以各地区的商品住房价格作为被解释变量Y。影响商品住房价格的因素很多，考虑到实证研究的需要和数据的可获得性，本文选取以下几个变量作为解释变量代表上述影响因素：
1．地区生产总值。代表一地的经济发展水平，商品住房价格与当地的经济发展水平有着密切的联系，理论上，一个地区的经济越发达，商品住房的价格越高，因而两者之间应该呈正相关。
2．人均可支配收入。代表一个地区的人民的经济实力，人均可支配收入越多，提高生活质量和进行投资的欲望和能力就越强。住宅相对于其他资本品来说，具有保值性和增值性，这种特点导致大量资本流入房地产市场，促使住宅价格上升。理论上该变量和房价存在正相关性。
3．竣工房屋造价。工程造价、土地价格再加上其他经营销售成本等构成了房屋的造价，竣工房屋的造价直接影响了商品住房的成本，因此理论上该变量和商品住房的价格呈正相关。
4．土地购置费。土地资源的稀缺性导致土地购置费不断上涨，而土地购置费在相当大的程度上影响了商品房的售价。随着开发的商品房不断增加，土地越来越稀缺，商品房的价格也会随着上涨，两者存在正相关性。
5．地区变量。本文以地区数据为样本，分析在全国范围内影响房价的因素，所以该指标代表的是宏观区位因素。我国东部沿海城市和中西部城市在经济、社会观念和政策等方面存在较大差别，前者房价应明显高于后者，在模型中以中西部为基本组。
本文将其他影响房价的因素纳入随机误差项u。
根据以上分析，设定计量经济模型如下：
Yi=β1+β2X2i+β3X3i+β4X4i+β5X5i+β6X6i+ui
其中，Yi为各地区的商品住房平均价格（元/平方米）；
X2为地区生产总值（元/人）；
X3为人均可支配收入（元/人）；
X4为竣工房屋造价（元/平方米）；
X5为土地购置费（元/平方米；
X6为虚拟变量，中西部取0，东部取1。
三、数据收集
文章获取了我国31个地区的数据如表1所示。
四、模型估计、检验与调整
文本采取实证分析方法，对被解释变量与个解释变量进行回归分析。
（一）经济意义检验
从回归结果可以看出，X2的系数值为负，即地区生产总值越高，商品房价格越低，不符合一般经济意义，考虑存在多重共线性。其余解释变量X3、X4、X5、X6的系数估计结果均表明各变量与商品房价之间存在正相关性，符合经济意义。
（二）统计推断检验
从回归结果看，可决系数R2=0.932105，拟合优度较高；给定α=0.05，查t分布表，在自由度为n-5=26时得临界值2.056，其中只有X5的t值小于临界值，其他各解释变量均对商品住房价格有显著性影响，考虑由于多重共线性引起的。
（三）计量经济学检验
1．做多重共线性检验，得相关系数矩阵如表2所示
由相关系数矩阵可以看出，各解释变量相互之间的相关系数较高，证实确实存在多重共线性。
修正多重共线性：
用逐步回归法对模型进行估计：
所估计模型：Y=－2150.715+0.281956X3+1.168693X4(317.4584)(0.314473)(0.314473)
t=(－6.774792)(6.045202)(3.716354)
R2=0.903811，AdjustedR2=0.896940，DW=1.996983，F=131.5469
2．自相关检验
对所估计的模型做残差图，如表2所示。
DW检验：对应样本数为31、2个解释变量的模型、0.05显著水平，查DW统计表可知，dL=1.297，dU=1.570，模型中DW=1.9969，dU 3．异方差检验 检验知nR2=0.710727，在α=0.05下，查χ2分布表，得临界值χ20.05（2）=5.9915，nR2=0.710727<χ20.05（2）=5.9915，表明模型不存在异方差。 所以，本研究模型的最终估计结果为： Y=－2150.715+0.281956X3+1.168693X4(317.4584)(0.314473)(0.314473)
t=(－6.774792)(6.045202)(3.716354)
R2=0.903811，AdjustedR2=0.896940，DW=1.996983，F=131.5469
通过以上数据，可以得出以下结论：
（1）在模型估计过程中，虚拟变量对被解释变量的影响不显著，表明东部城市与中西部城市的商品房价格没有显著性的差异。这是由于：经济方面，经过改革开放近三十年的发展，中西部的许多地区在经济上有了较大的跨越式发展，与东部的差距逐渐缩小；在社会观念方面，由于改革开放的深入进行，中西部人民逐渐树立起了较强的商品意识、金融意识和竞争意识；在政策方面，由于国家近年来的西部大开发和促进中部崛起战略，给予了中西部很大扶持。基于以上三个原因，中西部和东部的商品房价格差距在逐渐缩小。
（2）X3的系数为0.281956，符号为正，与理论分析相符。人均可支配收入的多少代表居民购买能力的大小，居民对住宅的需求主要表现在两个方面：一是居住，二是投资。在我国需要购买住宅用于居住的人群非常庞大，主要由于一下几个原因：一是城镇房屋制度的改革。1998年停止福利性实物分房后，人们主动接受了自主购房解决居住问题的住房消费新模式，而住宅价值量大的特点表明居民人均可支配收入是其购买能力大小的表现。二是城市拆迁改造。在经营城市理念的指导下，全国各大城市加快了城市建设的步伐，拆迁规模在短时间内增大，被动型需求持续增长。三是七八十年代生育高峰期出生的人群进入婚育期，由于传统思想的影响，父母往往给他们购买住宅提供经济支持。在投资方面，在我国居民缺少投资渠道的情况下，商品住宅以其保值增值的功能受到不少高收入家庭的青睐，前几年席卷全国的温州炒房团就是一例。随着我国经济的发展、居民可支配收入的不断提高，城市商品住宅价格将呈不断上升趋势。
（3）X4的系数为1.168693，符号为正，与理论分析相符。表明工程造价、土地价格再和其他经营销售成本对商品住房的销售价格有很显著的影响。随着建筑材料费的不断上升商品房的造价必然也呈上升趋势，又由于土地的稀缺性，土地的购置费越来越高，而为获得土地开发权的前期成本也大幅度抬高了商品住房的销售价格。
五、政策建议
基于以上模型估计结果，文章有针对性的提出一下政策建议。
（一）拓宽居民的投资渠道
在当前负利率的情况下，居民都不愿意将钱存在银行，而投资渠道的缺少，迫使大量资金流入房地产市场，推高了整个中国的房价。以此，大力发展股票市场、债券和保险市场，促使居民投资多元化，减少资金流入房地产市场，是控制房价的有效手段。
（二）央行出台限制房地产贷款的相关政策
中央银行应出台政策限制对地产商的贷款，不得超过某个最大限额，并且详细了解其要投资的房地产所在地区，该地区的房价状况等，对于一些房地产业发达，商品房住宅较充足的地区，不给予其贷款，从而影响房地产商投资商品房的资金流量。
（三）限制豪宅，减少对土地的浪费
在不能改变商品房投资量的情况下，保证每个楼盘的小型住户的比例，比如，如果要建一个楼盘的话，要求90平米左右的房子要达到一定比例才行。通过这种政策，可以节约住宅的土地用地，减少一些富豪的奢侈购买行为，给一些普通用户提供更多的选择空间。
（四）对不同类型住宅差额征税
国家对高级住宅区征收较高的税，对普通住宅区征收较低的税，以此来鼓励开发中小户型住房，满足更多普通居民的住房需求，在一定程度上限制高级住宅的开发。
（五）稳定土地的供应量
房价的过快上涨很大程度上取决于预期，如何使人们对房价有稳定的心理预期，避免房地产市场泡沫的出现，是政府调控市场的目标之一。政府应该通过控制土地的供应量使市场上房屋的供应量在长期内处于一个合理的水平，使得房价的增长幅度与国民经济、人均可支配收入增长水平相适应，这样就可以将房价的增长控制在一个合理的水平。
参考文献：
[1]柴强.房地产估价.北京首都经济贸易出版社，2003
[2]催生明.城市住宅价格的动力因素及实证分析.浙江大学，2003
[3]国家统计局.中国统计年鉴2007.中国统计出版社，2008
商品房预测 篇3
关键词：商品房价格,多元线性回归,灰色GM (1, 1) ,预测
自2004年以来, 随着各大城市房价飞速上涨, 中国房地产市场的发展已成为理论研究和房地产市场中的热门话题。住宅价格关系到老百姓的生活, 是政府部门、房地产行业、学术界所关注的焦点。
1 研究思路及研究方法
1.1 研究思路
本文共分五部分, 第一部分主要介绍课题研究背景、意义、研究思路和研究方法。第二部分对昆明市商品房价格影响因素进行分析, 分析昆明市近年来房价不断上涨的原因。第三部分为实证分析阶段, 通过搜集相关经济数据, 运用EVIEWS软件, 作多元回归分析, 确定昆明市商品住宅价格与各因素之间的数量关系。第四部分用GM (1, 1) 模型, 对昆明市商品房价格进行预测。第五部分提出政策建议。
1.2 研究方法
理论联系实际法:运用有关经济学理论, 分析影响昆明市房价的因素。
实证分析法:根据所收集的资料, 运用多元回归模型实证分析各影响因素与房价的关系, 预测昆明市近期的房价。
文献检索法:主要是了解目前我国对商品住宅价格问题及其相关内容的主要研究成果, 对所研究的问题有初步认识。
2 昆明市商品房市场概况分析
2.1 近十年来昆明市房地产投资情况
昆明市房地产投资呈逐年上升趋势, 2005年上升幅度达到了71.75%, 创下新高。之后2006年开始增速有所下降, 2010年绝对值达到了4406800万元。
2.2 昆明市商品房价格走势分析
笔者查验了近十年昆明市房价相关资料后发现:自2005年以来, 昆明市商品房均价突破2500元每平方米, 快速上涨, 到2009年达到十年来的新高3807元/平方米, 在2010年以来房屋均价有下降的趋势。
3 昆明商品房价格影响因素定量分析
3.1 多元线性回归模型选取
多元线性回归模型是一元线性回归模型的自然推广。假设因变量Y是多个自变量和常数C组成的函数:
Y=C+β0X0+β1X1+β2X2…+βKXK+ε其中Y为自变量, X为因变量, β为各自变量对应的系数项, ε为误差项。数据从2000—2010年云南省年鉴中获得。
从供给和需求两方面来看, 笔者选取以下影响因素作为变量:
3.2 模型检验ADF检验
时间序列要求在同阶查分的条件下, 变动趋势一致。只有X1, X3, X4, X7是同阶单整。将Y, X1, X3, X4, X7代入建立模型。
注:C表示常数项, T表示时间趋势项, 1表示滞后期数;*表示在0.05显著性水平, **表示在0.01显著性水平。
3.3 模型估计
由估计结果得出, 方程存在多重共线性, 使得X7明显不显著。
则将变量整理后估计结果如下:
DW值为1.61, 不存在序列相关性。t值均显著, 不存在多重共线性。F值显著。其中Adj R2为0.841, 拟合程度较好。
由此建立方程为:
3.4 模型分析
1.人口数量对房价的影响:常住人口量与商品房平均价格呈正相关, 随着人口数量的增加, 有效需求也相应增加, 商品房价格上升。
2.房屋销售面积对房价的影响:一般来说房屋销售面积越多供给越多房屋价格会降低, 但这里呈现的为正相关, 可以解释为, 人们的收入水平已经赶不上房屋价格的上涨速度, 导致销售面积越多房屋价格反而增加。
3.利率对于房价的影响:从模型结果来看, 利率对
于房价的影响系数偏大, 说明房地产价格的涨跌与利率的高低密切相关。利率水平决定房价水平, 利率变动决定房价走势。
4.土地开发投资对房价的影响:在本文中并不是说土地开发投资对房价没有影响, 而是它们呈现出了多重共线性, 这种影响被其他变量所解释。
4 昆明市近期商品房价格预测
灰色系统理论认为对既含有已知信息又含有未知或非确定信息的系统进行预测, 灰色预测就是利用这种规律建立灰色模型对灰色系统进行预测。
预测公式为:
数据选取:
(单位:元/平方米)
用Excel计算后:得到模型
在模型检验后得出预测等级精度为一级。
(单位:元)
总结:从灰色预测的数据来看, 房价在短期内仍然存在居高不下的趋势。由于笔者所做的只是短期的房价预测, 无法据此判断我国房价的长期走势, 也无法预测我国房价是否出现拐点。
5 结论与对策建议
5.1 结论
经过以上分析可以得出:人口数量, 销售面积, 利率, 土地开发投资等影响昆明市商品房销售价格, 其中利率对房价影响较大, 对房价有负相关影响, 人口数量, 销售面积对房价影响呈正相关。
从后面的时间序列和灰色预测分析来看, 预测出的结果昆明市商品房均价在2012年保持在6000元左右, 2013年房价在7000左右。也就是说昆明市商品房近期均价价格略高于前期价格, 昆明市房价在近期内应该会在保持原来价格的基础上平稳上升。
5.2 对策建议
(1) 重视土地价格对商品房销售价格的影响。房价与地价之间的互动关系, 在有较多土地供应的情况下, 地价水平主要取决于房价水平。
(2) 强化土地资源管理, 完善供地政策。要通过土地价格的标底的确定和建立土地拍卖后评估等制度, 合理确定土地价格。同时, 政府要改变出让方式, 将招标作为出让的“单一规则”, 在制度上进行约束。
(3) 合理的引导房地产的国内信贷。一是要加强开发商房地产的信贷监控。二是应该加强投资者购房信贷的监控。
(4) 银行应尽可能进行金融创新。银行应根据现有法律的有关规定, 尽快进行相关金融创新, 使得人们能够根据自己的意愿进行建房, 这样能够使房地产价格较快回落。
参考文献
[1]Geoffrey K.Turnbull.Information, search, and house prices[J].Regional Science and UrbanEconomics, 1993, 23 (4) :545-557.
[2]Dan Knudsen.Residential investments and house prices in Denmark[J].Economic Modelling, 1994, 11 (2) :201-214.
[3]Thomas A.Downes, Jeffrey E.Zabel.The impact of school characteristics on house prices∶Chicago 1987—1991[J].Journal of Urban Economics, 2002, 52 (1) :1-25.
[4]A.Cz马利亚里斯, W.A.布罗克.经济学和金融学中的随机方法[M].陈守东.[J], 李小军, 译.上海:上海人民出版社, 1982.
[5] (美) Edward P C.Kao.随机过程导论[M].北京:机械工业出版社, 2003.
[6]张红.房地产经济学讲义[M].北京:清华大学出版社, 2004.
[7]邓聚龙.灰映射.灰色系统论文集[M].武汉:华中理工大学出版社, 1989.
商品房预测 篇4
经济预测需要对大量经济现象作科学的分析, 通过数学方法从数量关系上来预测未来时期的经济现象, 商业企业的商品销售, 由于专业划分的不同, 机构变化频繁, 统计口径不一致, 因而对未来的预测带来了不少困难。过去发生的若干观察值, 显示的曲线图形波动较大, 故必须用多种数学模式进行预测, 并加以比较整理, 以求最适合的计算方法, 基本符合实践需要, 以求经验公式之实用价值, 并应用于实践。本文使就商业企业运用经济数学模式对商品销售趋势进行预测这一问题作一探讨。
一、问题的提出
根据统计资料, 已知某商场前十五年的商品销售情况如下:
其散点图如下:
试通过经济数学模式来预测明年的销售额, 以利于商场经理决策的科学性, 做到合理进货, 避免损失。
二、两种数学模式的预测比较
1. 运用三点法结合二次曲线进行预测
观察散点图曲线可知:时间序列的趋势是初期增长不大, 随后有弯曲, 以后逐渐增大, 直至较平稳上升。
设三点抛物线法的数学方程式为:
因为所取N=15<50, 即属于小样本。
为求曲线, 必取下列三点的加权平均观察值如下:
在本问题中有:
但所求三点抛物线法数学方程式中的三个参数值为:
将R、S、T、N之值代入上式可求得:
所以所求的曲线方程为:
对于明年来说, N=16, 故的点估计值:
因为观察值样本个数为15小于50, 为小样本。
所以区间估计值必须根据t表, 查表知在概率为95%的置信度范围内, 当N=15.自由度为N-1=14时的t值为2.145, (参数值见附表1)
又因为:
所以:的区间估计值为:
即:
2. 运用最小二乘法配合曲线参数方程预测
从散点图观察分析, 因曲线有弯曲, 故必须配合一个二次参数方程求解之。
设曲线的经验方程式为: (参数值见附表2)
与之配合的最佳曲线参数方程组如下:
令, 则必有
于是上式可简化为:
由附表二可知:
故上述参数方程变为:
解之得:
所以曲线的经验方程式为:
根据上式可得明年销售额的点估计值为:
因为n=15<50为小样本, 因而在求区间估计值时应根据t表, 查t表得在概率为95%的置信度范围内, 当n=15, 自由度n-1=14时, t=2.145
所以:
所以的区间估计值为:
即:
3. 预测分析
从上述两种数学模式的预测分析, 根据其标准误差RMSE之值的判断, 其最小二乘法配合曲线参数方程预测的曲线较三点法配合二次曲线预测的曲线更适合实际观察值。故可根据最小二乘法配合曲线参数方程预测的点估计值和区间估计值来安排明年的销售计划。
三、简单结论
根据上述运用经济数学模式的预测分析得出如下简单结论:
1.明年该商场的商品销售计划应编制为11600万元, 即以区间估计值之下限11600.046万元为依据。
商品房预测 篇5
随着零售业的迅速发展,零售商之间的竞争日趋激烈,促销活动已经成为商家日常经营中不可或缺的经营策略。在开展促销活动时时,促销商品的选择问题最为关键。所谓促销商品选择问题ISM(Item selection for marketing)是指,基于历史交易记录如何决定一个用于促销的商品集,使得在促销活动期间,促销商品和非促销商品的整体利润最大。这一问题的难点在于我们在进行促销商品选择时需要考虑交叉销售的影响。针对这一问题,本文提出一种基于利润预测的促销商品选择方案,以期解决这一问题[1]。
1 相关研究
在数据挖掘领域,与促销商品选择问题最为相关的问题是最优商品选择问题。在零售商店,待售商品种类需要定期更新,以便引进新的商品,丢弃一些不赚钱的商品。最优商品选择问题是指,我们要从待售商品中丢弃哪些商品才能产生最大利润。这一问题所需考虑的最重要因素就是商品间的交叉销售。对于商品选择问题,已经提出很多行之有效的算法,如PROFSET[2]、HAP[3]和MPIS[4]。
目前,关于促销商品选择问题的研究文献较少。在文献[1]中,给出了促销商品选择问题的定义,提出了基于损失规则的商品交叉销售影响因子的建模方法,给出了促销收效的计算公式,最后提出一种爬山算法。
该算法所需要的信息有:交易数据集
该算法的相关定义如下:
(1) 交易ti中的促销商品集t′i, t′i=ti∩S;
(2) 交易ti中的非促销商品集di, di=ti-t′i;
(3) 所有交易促销前的利润Profit0:
(4) 商品集T促销后销量的变化α(T):
(5) 所有交易促销后的利润Profit1:
其中,cost(Ia,ti)为交易ti中商品项Ia的促销代价,csfactor(t′i,Ib)为交易ti中促销商品集t′i品对非促销商品Ib的交叉销售因子。
(6) 促销收益ProfitGain:ProfitGain= Profit1 -Profit0
交易ti中的促销商品集t′i对商品Ij的交叉销售因子csfactor(t′i, Ij):
该算法的主要思想:假设f(S)是促销商品集S产生的促销收益。初始时,S={},当f(S∪ {Ia})>f(S)时,对于每一个商品项Ia,计算f(S∪ {Ia}),从中选择f(S∪ {Ia})具有最大值的Ia作为Ib插入商品集S。
该算法的主要缺点如下:
(1) 该算法对于每一个商品,都要尝试计算并入促销商品集S后的促销收益,另外,促销收益f(S)非常复杂,计算量太大。
(2) 利用损失规则的置信度conf(◇t′i→Ij)很难正确估计商品间的交叉销售因子,该置信度只是表示购物篮中有t′i中任意商品时,也含有商品Ij的概率,并非二者之间的蕴涵关系。
另外,我们认为存在于商品之间的交叉销售影响,实际上存在于不同的品种之间。属于同一品种的不同品牌、不同规格、不同成分的商品间是没有交叉销售影响的。不能说“李宁牌运动服”与“双星运动服”间存在交叉销售影响。不同品种的商品间的交叉销售影响也是品种间的交叉销售影响,而不是商品间的交叉销售影响。比如“李宁牌运动服”与“双星运动鞋”间的交叉销售影响应是“运动服”与“运动鞋”间的交叉销售影响,而不是两种特定品牌的商品间的交叉销售影响。
2 问题定义
本文中,促销商品选择问题的相关定义如下:
定义1 ISM 给定一个交易数据集T、每笔交易中的每个商品项的利润prof(Ia,ti)和存在交叉销售影响的商品间的影响因子csfactor,从所有销售商品中挑选一个商品集S作为促销商品集,使得对于所有销售商品,产生的整体利润最大[1]。可以证明,ISM是一个NP难度问题,其证明详见文献[1]。
定义2 品种 给定项目集
3 相关算法
算法的基本思想:促销前的历史交易数据有效地描述了顾客的购买模式。促销时,顾客的购买模式与促销前的购买模式相似。价格促销没有很大地改变顾客的购买情境。根据以前的交易数据集、品种间的交叉销售影响和同一品种内不同商品间的替代作用对促销期间各个品种和商品进行促销时产生的利润增量进行预测,从而得出最适宜作为促销的J个商品。除了考虑品种间的交叉销售影响和同一品种内不同商品的替代作用外,本算法还考虑到由于价格促销产生的顾客流量增加的因素。
基于以上思想,本算法的实施分为以下两个步骤:
(1) 促销品种的产生 对于品种集I′内的每个品种I′i,根据品种间的交叉销售影响和价格促销时顾客流量增加情况,得到品种I′i作为促销品种时产生的利润增量△pi,选择利润增量最大的j个品种形成促销品种集。
(2) 促销商品的产生 对于促销品种集内的每个促销品种,在考虑到同一品种内不同商品替代作用和价格促销时顾客流量增加的情况下,对每个促销品种内的所有商品,计算其作为促销商品时产生的利润增量。在每一个促销品种内选取一种具有最大利润增量的商品作为促销商品。
3.1 促销品种的产生
1) 商品品种之间的交叉销售因子的计算
在促销时,若选择品种I′i进行促销,与I′i 有交叉销售影响的品种I′j的销量也会增加。在ISM中,交叉销售影响因子csf(I′i,I′j)最关键。下面,我们对交叉销售进行分析,得出其计算方法,然后由专家对其值进行修正。
显然,若品种I′i与 I′j相互独立,则csf(I′i, I′j)=0。若品种I′i与I′j负相关,即品种I′i促销,使得品种I′j销量减少,这在实际情况中很少见。出现负相关的,一般是有代替影响的品种,但,替代现象一般发生在同一品种内的不同商品之间。因此,本文不考虑品种之间的负相关。由此,我们得出计算品种I′i与I′j相关度R(I′i,I′j)的方法如下:
式(1)中,P(I′i, I′j)表示客户同时购买品种I′i和I′j的概率,
R(I′i, I′j)的值域为[-1,1]。R(I′i, I′j)>0,表示品种I′i与I′j正相关, R(I′i, I′j)=0,表示品种I′i与I′j独立,R(I′i, I′j)<0,表示品种I′i与I′j负相关。
交叉销售影响因子csf(I′i, I′j)表明的是品种I′i对品种I′j的促销作用:“若客户购买品种I′i,则客户也会购买I′j的概率”。 csf(I′i, I′j)通过品种间的相关度R(I′i, I′j)来计算。
另外,对于两个品种之间交叉销售影响因子的计算,与生成关联规则的Aprior算法类似,我们在生成2阶频繁项目集时,限定一个最小支持度minsupport。只计算所有支持度不小于minsupport的2-项目集。
2) 获取促销品种的相关算法
获取促销品种的算法如下:对于品种集中的每个品种I′i,计算其作为促销品种时产生的利润增量r(I′i),返回利润增量最大的前j个品种作为促销品种。
获取指定品种I′i利润增量的算法如下:
算法1getIncrementalProfitsbySp(I′i,fi,dp,th)
其中fi是由专家估计由于促销而增加的顾客流量比例,dp是促销品种促销时指定的价格折扣比例,th为获取交叉销售影响品种时的交叉因子阈值。
(1) 先计算在不考虑交叉时,由于促销而产生的直接利润:
r=I′i的商品数量×[(1+fi)×I′i促销期间的平均利润-
I′i促销前的平均利润]
(2) 获取满足csf (I′i, I′k) ≥th的所有品种I′k 形成集合S:
(3) 返回r
3.2 促销商品的产生
对于促销品种集中每个促销品种内的所有商品,在考虑同一品种内不同商品之间的替代作用下,计算其作为促销商品时的利润增量,从中选择具有最大利润增量的商品作为促销商品。
1) 同一品种内不同商品间替代作用
在对某些商品进行促销时,我们不仅要考虑品种之间交叉销售的影响,还要考虑在同一品种内,由于某一商品的价格促销,对该品种内非促销商品的替代作用。基于此,本文采用商品距离对同一品种内不同商品间的替代作用建模。我们给出一种计算商品间距离的方法,然后由专家修正。
其中,n为商品的特征总数,distance(Iij.Fl,Iik.Fl)表示商品Iij和Iik在特征F1上的距离,Wl是为特征Fl分配的权重,其中W2+…+Wn=1。对于ISM问题来说,最关键的两个特征是品牌和价格。为简单起见,本文只考虑价格。
其中,priceextent是指商品种类I′i 内所有商品的价格跨度。当商品Iij进行价格促销时,我们以Pij表示促销前购买商品Iik的顾客在Iij促销时可能购买商品Iij的概率,用Pik表示仍然购买Iik的概率。
我们采用以下方法计算Pij和Pik:
Pik -Pij =dist(Iij ,Iik)
Pij +Pik=1
可得:
Pij =(1-dist(Iij ,Iik))/2 (5)
其中,Pij的值域为(0,1)。dist (Iij ,Iik)的值域为(-1,1),其值越小,证明Iij的综合指标越比Iik好,而Pij越大,即顾客由商品Iik转向Iij的概率越大,这是合理的。
2) 获取促销商品的相关算法
与获取促销品种相关算法类似,获取促销商品时,对于促销品种集中的每个品种I′i,获取其中利润增量最大的商品Iij,从而形成促销商品集。
获取促销品种I′i 内促销商品Iij的算法如下:
算法2chooseMarketingItembySp(I′i,fi,dp,th)
参数I′i,fi,dp的含义与获取促销品种相关算法类似,th为商品距离阈值。
(1) 对于I′i内的每个商品Iij,首先计算其作为促销商品时的直接利润增量。
Ir(Iij)=Iij的商品数量×[(1+fi)×Iij促销期间的单位利润-Iij促销前的单位利润]
(2) 根据指定的商品距离阈值th,获取所有满足dist(Iij, Iik)<th的商品Iik,形成集合IS。由于Iik在促销前后利润没有变化,所以,我们只须考虑由Iik转到Iij的部分。首先根据式(5)计算由于商品Iij促销,客户由购买Iik转向Iij的概率Pij。则,商品IIij的利润增量为:
(3) 返回使Ir(Iij)最大的商品Iij。
4 案例分析
下面给出一个带有商品的单位成本、单位价格和销售数量以及商品种类的交易数据库T(见表1所示),并对它实施促销商品选择算法。
根据品种进行统计,得到各个品种的平均成本、平均价格和销售总量,如表2所示。
根据T,设最小支持度minsup=0.1,利用AP算法,可得品种的1阶和2阶频繁项集,结果如表3所示。
根据前文公式,得到种类间的交叉销售因子。如csf(1,2)=(sup(1,2)-sup(1)×sup(2))/sup(1)=0.1,其他的非0的交叉销售因子如下:
csf(2,1)=0.05 csf(1,6)=0.1 csf(6,1)=0.05
csf(2,4)=0.25 csf(4,2)=0.2 csf(3,5)=0.1
csf(5,3)=1/6
设j=2,fi=0.1,dp=0.9,th=0.1利用算法1,可得到各个品种的利润增量。品种1,2,3,4,5,6的利润增量分别为:0.48,1.9476,9.924,5.752,1.115和-8.94。从而可得,促销品种集为3和4。
对交易数据库T中品种为3和4的商品进行统计,得到各个商品的成本、价格和销售总量,结果如表4所示。
根据前文公式,经计算可得到:
dist(0301,0302)=1 dist (0302,0301)=-1
dist(0401,0402)=-0.23 dist(0401,0403)=-1
dist(04 02,0401)=0.23 dist(0402,0403)=-0.77
dist(0403,0401)=1 dist(040 3,0402)=0.77
根据前文公式:
P(0301,0302)=1 P(0302, 0301)=0 P (0401,0402)=0.62
P(0401,0403)=1 P(0402,0401)=0.38 P(0402,0403)=0.88
P(0403,0401)=0 P(0403,0402)=0.12
设fi=0.2,dp=0.95,th=0,根据算法2,对于品种3,用IP(0301)表示商品0301得到的利润增量,则:
IP(0301)=9×(1+0.2)×(12.5×0.95-10.6)-9×(12.5-
10.6)+(6×(1+0.2)×26/(12.5×0.95))×(12.5×
0.95-10.6)=16.7693684
同理可得IP(0302)=-2.16。所以品种3内的促销商品为0301。
同理,对于品种4:
IP(0401)=5×(1+0.2)×(10×0.95-8.6)-5×(10-
8.6)+(((3×(1+0.2)×0.62×14)/(10×
0.95))×(10×0.95-8.6)+((2×(1+
0.2)×1×27.3/(10×0.95))×(10×0.95-
8.6))=7.56749
IP(0402)=3×(1+0.2)×(14×0.95-11.7)-3×(14-
11.7)+((2×(1+0.2)×0.88×27.3)/(14×
0.95))×(14×0.95-11.7)=5.79625263
IP(0403)=2×(1+0.2)×(27.3×0.95-21)-
2×(27.3-21)=-0.756
所以品种4内的促销商品为0401。
从而可得应该进行促销的2个商品是0301和0401。
5 算法性能分析
与文献[1]中的爬山算法相比,本文在考虑商品交叉销售影响时,认为交叉销售的影响存在于商品的品种之间。在进行促销商品选择时,依据原始销售数据,首先根据品种进行统计,得到各个品种的平均成本、平均价格和交易量,然后根据公式计算各个品种的交叉因子,根据算法1,计算各个品种的估计利润增量,从而得到j个促销品种。然后根据交易数据库T,对j个品种内的所有商品进行统计,得到各个商品的成本、价格和交易量,根据公式计算同一促销商品种类内各个商品之间的商品距离,根据算法2,得到各个促销品种内,所有商品的估计利润增量,在每个促销品种中,选取估计利润增量最大的商品作为促销商品,从而得到所有的促销商品。
由零售交易数据的分析可知,品种远远小于商品的数目,因而,对于品种之间交叉销售影响因子的计算量远远小于对于任意两个商品之间交叉销售影响因子的计算量。另外,对于商品距离的计算量较小,利润增量的公式也较为简单,这都大大减小了该算法的计算量。
另外,与文献[1]中算法相比,本文对于交叉销售影响因子的计算公式也要简单的多。
本文使用T4400 HPCQ40笔记本(Windows 7)作试验,所有程序均用C#编写。本文用IBM人工数据生成器来产生具有商品种类的测试数据。所产生数据集的特征:10 000个商品,100 000笔交易,每条交易平均10个项目,频繁项目集的平均大小为4,每个种类平均8个商品。
在测试1中,仅改变交易数:从106到107。图1描述了不同交易数所对应的运行时间。在测试2中,仅改变商品数目,从105到106。图2描述了不同项目数所对应的运行时间。从图中可以看出,该算法的运行时间与交易数和项目数基本成线性关系。
6 结 语
本文在“商品销售时交叉销售影响存在于不同品种之间”这一前提下,提出一种先获取促销品种,再从促销品种内获取促销商品的算法。实验证明,本算法具有较好的性能,对于大规模销售数据的计算非常有效。本文中的算法存在以下不足:
(1) 本文在挑选促销种类和促销商品时所依据的利润增量,需要用户输入促销时估计的客户流量,促销时的价格折扣,算法的有效性在很大程度上依赖于客户的经验。
(2) 本文在考虑促销时,仅是按照统一的折扣进行价格促销,未考虑到其他的促销手段。
(3) 本文以商品距离来对同一种类内的商品间的替代作用进行建模,为了简单,本文只考虑了价格因素,在实际应用中,应该根据实际情况综合考虑其他因素。所有这些,这都是以后应该努力改进的方向。
摘要：基于商品品种之间的交叉销售影响和同一品种内不同商品可以替代这一前提,提出一种促销商品选择问题的新算法。基于促销活动中两个品种之间的相关性,定义了品种之间的交叉销售影响因子。基于同一品种内不同商品之间的距离,对同一品种内不同商品的替代作用建模。在提出品种和商品的利润增量估计算法后,进而给出一种基于利润增量估计的促销商品的选择算法。实验证明,该算法非常有效。
关键词：促销商品选择问题,品种,交叉销售,商品距离,利润增量
参考文献
[1]Raymond Chiwing Wong,Ada WaiChee Fu.ISM:Item Selection forMarketing with Cross-Selling Considerations[C]//The Eighth Pacific-Asia Conference on Knowledge Discovery and Data Mining(PAK-DD),Sydney,Australia,May 2004.
[2]Brijs T,Swinnen G,Vanhoof K,et al.Using shopping baskets to clustersupermarket customers[C]//Proeeedings of the 12th Annual Adv-aneed Researeh Techniques Forum of the Amercian Marketing Associa-tion,Florida(USA),2001.
[3]Raymond Chi-WingWong,Ada Wai-CheeFu,KeWang.MPIS:Maximal-Profit item selection with cross-selling considerations[C]//Proc.ofIEEE Int'1 Conf.on Data Mining,2003.
[4]KeWang,Ming-Yen Thomas Su.Item selection by“hub-authority”prof-it ranking[C]//Proc.Of ACM-SIG Int'1 Conf.on knowledge discov-ery and data mining,2002.
商品房预测 篇6
近十年来, 中国房地产市场发生了巨大的变化。房地产开发投资总额从2005年的15909.25亿元增加到2014年的95035.61亿元, 而2014年全社会固定资产投资总额为512760.70亿元, 仅房地产开发投资就占了18.53%。这说明房地产市场已经成为了中国的支柱产业, 对我国经济有着至关重要的影响。商品住宅市场作为房地产市场的重要组成部分也在近十年来发生了重大变化。据国家统计局数据显示, 我国房地产住宅投资从2005年的10860.93亿元增加到了2014年的64352.15亿元, 投资额度增加了492.15%。虽然商品住宅的投资额度一直在增加, 但是其在房地产开发投资总额中所占的比例却一直持平在68%左右。这说明, 商品住宅市场一直是房地产市场最重要的组成部分, 商品住宅市场的兴衰将决定房地产市场的兴衰, 也进而关系到中国的经济发展。所以研究商品住宅市场无论是对中国的房地产市场还是中国经济的发展都有着积极的意义。
2 近十年来我国住宅市场发展形势
2.1 商品住宅市场主要指标变化
从近十年来我国商品住宅市场主要指标的统计数据可以看出, 我国商品住宅房屋每年的施工面积、竣工面积和新开工面积一直在呈现递增的趋势。其中, 2005~2011年商品住宅施工面积和新开工面积同比增长率总体保持比较高的水平, 同比增长率平均值分别为20.06%和17.75%, 但是进入2012年以后, 一直到2014年, 商品住宅施工面积同比增长率明显降低, 平均增长率为9.98%;而新开工面积在进入2012年后, 增长率更是出现大幅下降, 2012年新开工面积比2011年新开工面积减少了11.19%, 虽然2013年增长率出现了小幅回升, 但是到2014年增长率再次出现负增长, 而且比2013年的新开工面积减少了14.38%, 增长率跌至十年来的最低谷。另外, 商品住宅竣工面积在2005年同比增长率达到十年来的最高值25.97%后, 在2006~2012年同比增长率保持稳定, 平均同比增长率为8.91%;但是从2013年一直到2014年其同比增加率出现了显著降低, 并在2013年出现了负增长。
2.2 商品住宅市场投资发展形势
近十年来我国商品住宅市场投资额随着房地产开发投资额的增加每年都相应地增加。其中2005~2011年七年间, 2008年房地产市场受全球金融危机影响, 导致商品住宅市场投资额同比增长率在2009年出现小幅回落, 投资额同比增长率为14.14%, 但是总体增长速度较快, 同比增长率平均值高达26.05%。但是进入2012年后, 投资增长率虽然在2013年出现小幅回升, 但是一直到2014年, 商品住宅投资额总体增长率大幅下降, 商品住宅投资增长率平均值只有13.32%, 在2014年更是跌至9.16%, 创十年来历史新低。另外, 将房地产开发投资变化形势与商品住宅开发投资形势比较, 可明显看出, 二者的变化趋势几乎完全一致。这也进一步说明, 商品住宅市场是房地产市场最重要的部分, 商品住宅市场的变化趋势将决定房地产市场的变化趋势。
2.3 商品住宅销售面积变化形势
2005~2014年间, 商品房销售面积和商品住宅销售面积无论是数量变化曲线还是同比增长率变化曲线几乎完全一至。商品住宅销售面积虽然在2008年出现回落, 但是在总体上保持增加趋势。2005~2008年商品住宅销售面积增长速度总体在下降, 到2008年, 全球金融危机的发生, 给世界经济带来严重影响, 我国的房地产市场也受到波及, 商品房销售面积增长率和商品住宅销售面积增长率遭遇十年来最低谷, 其中, 商品住宅销售面积比2007年减少了10855.53万平方米, 同比增长率比2007年下降了15.48%。2009年我国房地产市场从2008年的全球金融危机的波及里复苏, 商品房销售面积同比增长率达到了43.63%, 商品住宅销售面积同比也增长率达到45.39%, 达到近十年来销售面积增长率的第二新高。2010~2014年间, 商品住宅销售面积增长率总体呈下降趋势, 2010年国家出台了限购令, 这对商品住宅的销售产生了一定影响, 这也可能是导致2010~2012年三年间商品住宅销售面积同比增长率保持在一个比较低的水平的一个重要原因。但是2013年商品住宅市场形势良好, 销售面积出现较快增长, 达到了130550.59万平方米, 创十年来最高纪录, 比2012年增加了17.52%。进入2014年商品住宅销售面积增长率却出现了负增长, 销售面积也比2013年减少了9.11%。
3 我国住宅市场发展形势预测
近十年来, 虽然我国政府一直在加强对房地产市场的宏观调控, 但是我国商品住宅的价格却在总体上一直呈现不断上涨的发展趋势。2005年我国商品住宅平均价格为3168元/平方米, 到了2014年平均价格已经上涨到6324元/平方米, 同比增加99.62%。而“北上广深”这些一线城市的房价更是居高不下。2008年受全球金融波及, 房价虽然出现小幅回落, 却在2009年大幅上涨, 商品住宅平均价格为4681元/平方米, 比2008年价格增加了23.18%, 价格增幅达到十年来最高。过高的房价已经远超出了我国一般居民的承受范围。
杨胜刚 (2007) 通过对商品住宅市场系列指标的分析, 认为商品住宅价格的不断上涨并不是因为商品住宅供给量小于需求造成的, 而是商品住宅市场消费存在着非理性泡沫。贾生华 (2013) 通过实证分析, 认为房地产价格逐渐脱离经济基本面的影响, 房地产泡沫存在并持续膨胀。而房地产泡沫的存在并持续膨胀与居民收入的不对称, 将导致商品住宅市场的持续低迷, 近两年商品住宅市场各项指标的下行, 房地产开发企业在购置土地会更为谨慎, 相应的商品住宅的新开工面积和施工面积也会相应减少, 而近两年商品住宅销售面积的持续下滑和竣工面积的持续增加将导致商品住宅库存总量的不断增加。
因此未来几年, 我国商品住宅市场的竣工面积将保持稳定, 新开工面积和施工面积将相应减少。另外, 中国经济已经进入了一个“新常态”, 经济增长率下降, “滞胀”隐患出现, 产能过剩, 房地产市场投资额也会受到影响, 相应的商品住宅的投资额的增长率也会持续下降。而居民收入与房地产泡沫的持续膨胀, 也将导致商品住宅的销售面积增长率会继续出现负增长。
摘要：为了解近十年来我国商品住宅市场的发展及变化, 对我国20052014年商品住宅市场的变化进行了系统的分析, 分别从商品住宅的主要年度指标、投资发展形势和年销售面积三个方面, 阐述了十年来我国商品住宅市场的形势变化, 并进而对未来我国商品住宅市场形势进行了预测。这一分析和预测对研究我国商品住宅市场有积极的借鉴意义。
关键词：商品住宅,变化,预测
参考文献
[1]杨胜刚, 吴立源.住宅房地产消费的非理性泡沫[J].消费经济, 2007, (03) :3-7+15.
[2]贾生华, 李航.我国房地产泡沫究竟有多大?——基于北京市商品房市场的泡沫检测研究[J].价格理论与实践, 2013, (11) :18-20.
商品房预测 篇7
为了避免需求放大现象的发生, 整车制造部门可直接根据需求订单组织生产及原材料、零部件的采购;零配件供应商根据整车制造商下达的采购订单提供配套件。这种完全以市场需求来“拉动”生产的汽车集成化供应链, 可以避免牛鞭效应的影响, 减少总库存, 降低总成本, 从而提高集成化供应链的整体运作绩效。但关键性的问题在于根据销售数据所做出的需求预测准确与否, 这关系到集成化供应链中个节点企业的生产、销售和服务的全过程。
需求预测可用的方法很多, 大致可分为两大类:定性预测法和定量预测法。不同的预测方法适用于不同的情况, 根据预测对象的特点, 应选用切合实际的预测方法。
2马尔柯夫 (Markov) 预测法
马尔柯夫 (Markov) 预测法是一种随机时间序列预测方法, 主要应用概率论中马尔柯夫链的理论和方法来研究随机事件变化并借此分析预测未来变化趋势的一种方法。
2.1 马尔柯夫链的基本理论
马尔柯夫链的概念:设有随机过程{Xn, n∈T}, 若对于任意的整数n∈T和任意的i0, i1, …, in+1∈I, 条件概率满足P{Xn+1-in+1|X0=i0, X1=i1, …, Xn=in}=P{Xn+1=in+1|Xn=1n}则称{Xn, n∈T}为时间、状态离散的马尔可夫过程, 常称为马尔可夫链。
马尔柯夫链具有两个重要特性:一是无后效性, 就是指系统到达每一状态的概率, 仅与前一状态有关, 而与再以前的状态无关;二是吸收性, 就是指系统将逐渐达到一个稳定状态, 它与系统的原来状态无关。
2.2 基于马尔柯夫链的状态预测
预测下一个时期系统变化最可能出现的状态式马尔柯夫链预测应用中最常用的类型。通常按以下步骤预测系统变化最可能出现的状态:
第一步, 划分预测对象所出现的状态。
从预测的目的出发, 并考虑决策者的需要来划分现象的状态。
第二步, 计算初始概率。
在实际问题中, 分析历史资料所得的状态概率成为初始概率。设有N个状态E1, E2, …EN, 共观察了A时期, 其中状态E1 (i=1, 2, …, N) 共出现了Ai次, 于是得到:
undefined公式 (4)
这里, fi就是Ei出现的概率, 一般我们用它来近似地表示Ei的概率, 即
fi≈Pi 公式 (5)
第三步, 计算状态转移概率。
仍然以频率近似地表示概率来进行计算。首先计算状态Ei→Ej的概率, 从第二步知道Ei出现了Ai次, 接着从Ai个Ei出发, 计算下一步转移状态Ei的个数Aij, 于是得到:
undefined公式 (6)
同理, 有 f (Ej|Ei) ≈Pij 公式 (7)
第四步, 根据转移矩阵进行预测。
如果目前预测对象处于状态Ei, 则可取C= (0, 0, …, 1, 0, …0) , 即ci=1, 其余都为0。则可根据切普曼-柯莫哥洛夫方程, 由undefined推导出下一时期各种状态出现的概率。一般按最大可能性作为选择的原则, 则应选择 (ai1, ai2, …aiN) 中最大者对应的状态作为预测结果, 即为最有可能出现的状态。
3Markov预测法在商品车需求预测中的应用
3.1 实例
某大型汽车制造企业销售部的研究人员收集了过去12个月内, 公司某品牌汽车的销售量、销售价格、投入的广告费用、服务水平指标, 以及同期其他厂家生产的同类汽车的市场平均销售价格, 具体数据见表1。
3.2 基于马尔柯夫链的商品车销售状态预测
为了比较哪种预测方法精度较高, 我们仍然根据表1中的数据来进行预测。将前10个月的销售量作为历史数据, 由此预测11月、12月的销售量。
①划分状态
首先对数据进行统计分析, 将商品车的销售情况划分为5个状态较好:
状态A1:3100以下;状态A:3100～3700;状态A3:3700～4300;状态A4:4300～4900;状态A5:4900以上。
②一阶转移概率矩阵
由历史数据及5个状态可以得到初始概率:
A1:2 A2:2 A3:3 A4:2 A5:1
即, 初始概率为:P1= (0.2, 0.2, 0.3, 0.2, 0.1)
并得到一阶转移概率矩阵为:
undefined
③预测
由于10月份属于状态A1, 即当前状态的概率为:C= (1, 0, 0, 0, 0) 。
则, 11月份的销售量为:
undefined
12月份的销售量为:
undefined
由此可知, 预测结果为:
11月份的销售量为3700到4300的可能性最大, 12月份的销售量为3100到3700的可能性最大。
而11、12月份的实际销售量分别为3826辆、4326辆。
可见, 11月份的预测结果与实际一致, 但12月份相差较大, 这可能是该汽车公司在年底采取了一些促销手段而使当月的销售量有一个较大的提高。
4运用Markov预测商品车需求的软件实现
根据Markov预测法的基本方法和步骤, 在Matlab7.0软件平台上, 利用功能良好的用户图形界面GUI工具, 开发了一套商品车市场需求预测模块。通过计算机来完成马尔柯夫链的全部推导过程, 即使使用者不了解这种算法也可以在简单的提示下运用该模块得到初步的预测结果。
4.1 Markov预测模块的实现
用基于马尔柯夫链的状态预测法来预测商品车的市场销售情况, 关键的步骤在于销售状态的划分以及一阶转移概率矩阵的生成。可以利用条件语句来实现状态的划分, 用概率分析的方法来获得一阶转移概率矩阵。最后根据切普曼-柯莫哥洛夫方程, 推算出下一时期和下两个时期的销售情况。图1所示的就是马尔柯夫预测功能模块界面。
4.2 运用Markov功能模块预测商品车需求
在图1所示界面的历史数据输入框内输入前10个月的销售量, 将划分的状态分5组数据输入编辑框内, 接下来的工作就只需要点击按键了。先点击按键“初始概率”可得到各个状态的初始概率, 接着点击“转移概率矩阵”可得到一阶转移概率矩阵, 然后点击按键“当前状态的概率”可自动显示出当前状态的概率, 最后点击按键“预测结果显示”, 计算机按预先设计的程序进行计算, 将按马尔柯夫预测法得到的结果显示在文本框内, 如图1所示, 与前面推导的结果一致。
5结论
由以上案例可以看出, 使用者只需要将收集到的数据输入Markov预测功能模块中, 剩下的工作就只需按按键, 就可以得到所要的结果。即使使用者不熟悉算法或不具备很强的计算机应用能力, 也能够在简单的提示或指导下运用该模块进行市场需求预测, 而且操作起来相当简单, 可以成为企业管理决策者辅助决策的得力工具。
参考文献
[1]马超群, 赵海龙.汽车市场需求预测建模及其应用研究[J].湖南大学学报, 2009, (7) :38-44.
[2]遇华仁, 莫军, 李劲.基于灰色马尔可夫模型的市场需求预测[J].商业研究, 2009, (11) :43-45.
[3]潘志刚, 韩颖.组合预测法在我国汽车市场需求预测中的应用[J].商业研究, 2006, (20) :126-128.
[4]陈道平, 刘伟.中国汽车市场需求及其弹性和预测分析[J].重庆大学学报, 2005, (12) :138-142.
[5]沈岳.基于时间序列马尔可夫链的服装销售预测[J].丝绸, 2009, (11) :32-34.
商品房预测 篇8
通过对网络搜索数据的挖掘和分析, 探索网络搜索数据与某种社会经济现象之间的关联性和规律,并进一步预测社会经济现象的发展趋势,已经成为学术界的一个新的研究热点。
在不同的商品类型下,消费者的搜索行为、购买决策以及交易规律存在差异, 站内搜索数据对其在线交易量的预测效果是不同的。 本文将探索在不同类型商品下, 站内搜索数据对商品在线交易量预测效果的差异, 从而为企业更精准地进行资源配置提供借鉴。
一、文献综述
(一)基于商品的在线交易量的相关研究
在学术界对于商品的在线交易量预测方面的研究较少,主要聚焦于讨论电子商务交易的转化概率、交易发生的影响因素、 用户的浏览行为及访问路径研究。 Moe和Fader［1］从电子商务交易购买转化率的角度出发进行研究,研究表明:顾客的访问历史对购买概率具有正向边际递减的累积效应。 Poel和Buckinx［2］总结了四类变量来预测购物行为: 访问水平的一般点击流行为、 更细节的点击流信息、 消费者人口统计、历史购物行为,并通过一家网上店铺的点击流数据评估四类变量的预测能力。
目前, 官方各级统计机构尚未发布准确的商品在线交易量数据,在实业界有几家咨询机构(艾瑞、易观等)通过深入访谈,或者桌面研究等方法对交易量进行预测。 但是由于调研样本及计算方法存在差异,其预测结果往往差距很大,而且没有细化到月、周、天的交易量预测。
(二)基于网络搜索数据的相关研究
基于网络搜索数据的预测研究始于医药卫生领域,最早应用于流行病监测。Ginsberg等［3］构建了基于Google搜索数据的监测模型,可以比传统方法提前一到两周预测流感发病率。
这一研究方法此后迅速从医药卫生领域扩展到宏观经济、大宗商品、社会舆情等领域,结果表明网络搜索数据对经济现象的预测效果较好。 Askitas和Zimmermann［4］的研究表明,词频搜索数量与德国当月的失业率有着非常强的相关性。 Ripberger［5］认为,在股票市场搜索词频的增加会带来交易量的增加,较高关注度会带来较高的上涨动力。 Lynn和Erik［6］的研究表明, 房屋搜索指数与未来的房屋销量和价格高度相关。
目前, 应用搜索数据对不同种类商品在线交易量预测比较的研究成果还很少。
二、理论分析与逻辑框架
在网络购物过程中, 进入某电子商务网站的部分用户是具有购物倾向的潜在消费者, 在意图购买某种商品之前,通过站内搜索平台,将个人需求以文字关键词的形式输入到搜索框中, 以筛选并寻找到自己所需的商品进行浏览。 如果消费者对该商品合意,则会在当期或者后期下单购买。 多个消费者的购买下单行为便形成该电子商务网站每日的交易量。电子商务网站则在为用户提供信息查询服务的同时,也自动记录用户的查询过程,并生成海量的搜索关键词及其搜索量数据, 可以反映在当期给定关键词的被关注程度和热门程度。 这种网络搜索数据的合集被称作用户的“意图数据库”,可以反映搜索者在搜索这一显性行为下所蕴涵的隐性意图与关注,折射出搜索者在现实世界中的行为趋势和规律。
因此, 电子商务网站搜索关键词数据与商品的在线交易量之间存在一定的相关关系, 搜索数据对电子商务订单数具有一定的预测能力。 总体来说,网络搜索数据是一种接近于全样本的“准自然”采样统计,其普通性和客观性比传统数据具有明显优势,这种预测方法的优点是摒弃了传统预测方法依靠样本抽样数据的做法。 搜索数据记录的高频化,使得对网民的线上行为的刻画更加精确, 其即时性也优于传统数据。
对于不同种类的商品, 其在线交易行为与在线交易规律是不同的。 例如搜索类商品(如3C商品),其特点是商品属性容易信息化和标准化, 该特点既有利于商家通过互联网展示其基本信息, 也有利于消费者获取信息并比较不同商品之间信息的差异。 而体验类商品(如零食),相对而言其在线可信息化程度和标准化程度较低, 容易造成商家与消费者之间的信息不对称。 因此,不同种类的商品会影响到消费者的搜索行为及其对信息的认知程度, 进而影响消费者的购买决策。
三、数据收集与预处理
(一)数据来源
本文获得淘宝网所提供的3C、零食、女装三大类商品的成交量数据, 以及站内搜索词的日搜索量数据作为实证数据, 时间维度为2011年6月7日到2011年10月19日共135天,二者都是绝对数据。 其中,3C商品包括遥控器、网络切换器等275个子类目,每一个子类目下都对应其订购金额( 订购笔数) 从20110607~20111019的时间序列,有3000个站内搜索词的完整数据, 每一个搜索词分别有展现量(show)和点击量(click)的日绝对数据。 零食商品包括猪头肉、张裕/国产葡萄酒等177个子类目,有2829个站内搜索词数据。 女装商品包括打底裤、休闲套装等29个子类目,有2999个站内搜索词数据。
本文以前131天的数据作为训练集进入模型用于参数估计,后4天的数据作为测试集用于检验模型的预测效果。
(二)清洗与整理商品在线交易量数据
淘宝网每类商品下有很多的三级类目, 每一三级类目都有对应的订购金额和订购笔数。 本文以每类商品的订购笔数为被解释变量对象。
首先剔出数据无效(在所给时间范围内其数据存在无效值或均为0)的三级类目数据。 经过清理,3C商品剩余121个有效的子类目,零食商品剩余158个,女装商品剩余20个。 其次,将有效的三级类目对应的订购笔数每日横向加和, 得到每类商品每日总的订购笔数的时间序列,作为被解释变量。
其中,3C商品的每日订购笔数的时间序列记为Yc,零食商品的每日订购笔数的时间序列记为Ys,女装商品的每日订购笔数的时间序列记为Yn。
(三)清洗与整理站内搜索数据
本文以每类商品的站内搜索词的点击量(click)的日绝对数据作为解释变量对象。 首先,计算每个关键词先行0~7天的搜索量与当日订购笔数之间的皮尔逊相关系数(Pearson Correlation Coefficient);其次,找出其中每个关键词对应的最大相关系数;剔除最大相关系数小于0.40的关键词以及先行期为0的关键词,得到有效的站内搜索词的日点击量数据。 经过上述清理,3C商品得到有效站内搜索词50个,零食商品为243个,女装商品为581个。
(四)合成商品搜索指数
对于3C、零食、女装三大类商品,采用统一的方法合成商品搜索指数。
第一步, 以最大相关系数的先行期数对原始的搜索数据进行相应期数的时序错位。
第二步, 由于这些关键词之间天然存在信息重叠问题, 只需要从中筛选出重要的关键词即可反映出所有关键词的信息。 本文采用逐步筛选策略,使用SPSS17.0统计分析软件stepwise筛选策略, 设定进入原则为系数显著性水平0.01,删除原则为系数显著性水平0.05,筛选出关键词。
第三步, 采用时序错位相加法合成综合搜索指数, 即基于选出的关键词的最大相关系数的先行期数,对原始的搜索数据进行相应期数的时序错位,然后求和得到搜索指数。 按照上述合成搜索指数的方法,将3C、零食、女装三大类商品的搜索指数分别记为Qc、Qs、Qn。
四、实证分析
(一)构建商品在线交易量预测模型
对于3C商品, 以每日淘宝网3C商品的订购笔数为被解释变量,记为Yct;以Yct-1,为第一个解释变量;以每日的搜索指数为第二个解释变量,记为Qct。 为了减少数据之间的差异性, 我们对这三个变量取对数形式,分别记为Log Yct,Log Yct-1, Log Qct
建立淘宝网3C商品订购笔数与综合搜索指数之间的模型如下Log Yct= b0+b1Log Yct-1+b2Log Qct+μt
在统一方法指导下, 建立零食商品订购笔数与综合搜索指数之间的模型为:
建立女装商品订购笔数与综合搜索指数之间的模型为:Log Ynt= b6+b7Log Ynt-1+b8Log Qnt+μt
最终得到的模型回归结果如表1所示。
(二)模型预测效果对比分析
通过2011年6月14日~2011年10月15日共124天的数据,建立了网络搜索指数对淘宝网3C商品、零食商品、女装商品订购笔数的预测模型。 运用此模型对2011年10月16日~19日的淘宝网3C商品、 零食商品、女装商品订购笔数进行预测, 以平均绝对百分误差MAPE作为衡量预测能力的指标。 设n为预测值的个数,实际值为yi,预测值为yi, 则。预测结果如表2所示
五、结论与展望
本文采用站内搜索数据的处理方法, 针对不同种类商品的电子商务交易量进行预测研究。 结果显示,对于搜索类商品(3C商品),搜索数据对其在线交易量的预测效果的平均绝对误差为6.36%,预测效果较好;对于体验类商品(零食商品),搜索数据对其在线交易量的预测结果的平均绝对误差为15.68%,预测效果较差;对于中间型商品(女装商品),平均绝对误差为11.09%,预测效果介于上述两种商品中间。 可见,搜索数据对于搜索类商品的预测效果最佳, 对于体验类商品的预测效果最差, 而对于中间型商品的预测效果则适中。 可见,未来搜索数据将更多的应用于搜索类商品的在线交易量进行预测监控, 而对体验类商品则需要探索更好的预测方法。
由于这种新的预测方法尚处在探索阶段, 还有很多难点和问题需要进一步思考研究。 如何更好地去除特殊的统计噪声, 如何更好地筛选并合成综合搜索指数,等等,都将是后续进一步研究的内容。
摘要：对搜索型商品(3C)、体验型商品(零食)、中间型商品(女装)分别建立基于淘宝网站内搜索数据对商品在线交易量的预测模型。研究结果表明,搜索数据对于搜索型商品的在线交易量具有最佳的预测效果,而对体验型商品的预测效果较差。